本发明专利技术公开了一种海底底层水温反演的方法和装置，属于海洋观测领域。首先利用沉积物测量装置测量得到海底沉积物温度剖面和沉积物热扩散系数剖面，然后根据测量情况设计神经网络，构建相应的神经网络训练集并训练神经网络，最后利用训练良好的神经网络反演得到海底底层水温。本发明专利技术以一种经济、简便的方法，得到海底底层水温的时间序列，为了解海底边界水温变化提供了技术支撑。变化提供了技术支撑。变化提供了技术支撑。
【技术实现步骤摘要】
一种海底底层水温反演的方法和装置
[0001]本专利技术涉及一种海底底层水温时间序列反演的方法和装置，具体涉及一种通过测量沉积物温度剖面和沉积物热扩散系数剖面并利用神经网络反演海底底层水温的方法和装置，属于海洋观测领域。
技术介绍
[0002]我国濒临世界上最宽广的温带陆架浅海，由于陆架海水深较浅，发生在海面边界和海底边界的动量通量、热量通量和物质通量过程强烈的影响着包括海水温度、盐度分布以及海洋洋流等的海洋环境。
[0003]由于海面边界更易于观测，人们对海面边界的各种过程的认识更为深入。相较海面边界而言，发生在海底边界的各种过程由于受海水的阻隔则难以观测。特别是我国近海海域海上运输、渔业等生产活动繁忙，自主漂流式、座底式观测方式难以保证观测设备安全性。此外，现有针对海底边界的观测长期以来主要围绕海底动量通量和物质通量展开，缺乏海底热量通量的研究。这都导致人们对海底边界的各种过程缺乏广泛和深入的认识。
[0004]最近的研究发现（doi: 10.1016/j.ecss.2020.106932；10.1175/JPO
‑
D
‑
22
‑
0076.1），我国近海海底底层水温存在多种时间尺度的显著变化。当底层水温发生变化时，受热传递机制驱动，底层海水能够加热或冷却其下的海底沉积物，进而驱动海底热通量。在海底热通量驱动下，底层水温的变化沿着沉积物向沉积物深处传播，进而使得沉积物在不同深度具有不同的温度，就像底层水温的变化被记忆在沉积物温度剖面中。因此，可以通过解析不同深度层的海底沉积物温度和热扩散系数进而反演底层水温在过去一段时间中的变化。但是，利用沉积物温度反推底层水温相当于求解热传导的反问题，而热传导反问题是严重不适定问题，长期缺少良好的求解办法。近年来，随着深度学习方法的不断发展，基于深度学习的热传导反问题求解体现了良好的优越性，这为利用沉积物温度剖面反演底层水温提供了新思路。
技术实现思路
[0005]基于上述
技术介绍
，本专利技术的第一个目的是提供一种海底底层水温反演方法，可以经济、简便的得到海底底层水温的时间序列，为了解海底边界水温变化提供技术支撑。
[0006]本专利技术的另一个目的是提供一种用于海底底层水温反演的沉积物测量装置。
[0007]本专利技术首先利用沉积物测量装置测量得到海底沉积物温度剖面和沉积物热扩散系数剖面，然后根据测量情况设计神经网络，构建相应的神经网络训练集并训练神经网络，最后利用训练良好的神经网络反演得到海底底层水温。
[0008]为实现上述目的，本专利技术的技术方案包括以下步骤：步骤一，利用沉积物测量装置测量海底沉积物温度剖面P和热扩散系数剖面Q：利用调查船绞车等设备将沉积物测量装置布放至海底，沉积物测量装置利用自身重力贯入海底沉积物；等待沉积物测量装置稳定之后，通过沉积物测量装置上的沉积物温
度传感器测量得到沉积物温度剖面P；然后，由均匀热源发热，再通过沉积物温度传感器测量并计算沉积物温度变化率，从而得到沉积物热扩散系数剖面Q；步骤二，构建神经网络并根据测量得到的沉积物温度剖面调整神经网络输入和输出层参数：所述神经网络包括输入层、中间层和输出层；神经网络的输入层对应测量得到的沉积物温度剖面P；神经网络的输出层对应反演得到的底层水温时间序列W，即从测量时刻到更早的一个时刻间的底层水温变化；神经网络的中间层为长短期记忆（LSTM）回归神经网络；根据每次测量所得到的沉积物温度剖面测量点数目和每个测量点深度的不同，以及因此导致的所能反演的底层水温时间序列长度的不同，调整神经网络输入层和输出层长度参数；比如，当沉积物温度剖面为16层时，输入层的长度为16；当拟反演的底层水温时间序列为365点时，则输出层长度为365；步骤三，根据沉积物测量情况构建N组神经网络训练数据集：由于每次测量所得到的沉积物温度剖面测量点数目和每个测量点深度的不同，以及因此导致的所能反演的底层水温时间序列长度的不同，此外，每次测量的沉积物热扩散系数剖面也不同，因此需要针对每次反演制备不同的神经网络训练集。将测量得到的沉积物热扩散系数剖面Q导入热传导模式，然后用不同的历史海面温度年周期时间序列SST作为边界条件驱动热传导模式计算得到稳定的沉积物温度剖面年周期时间序列ST；取每个时刻的沉积物温度剖面和此时刻至以前一段时间的海面温度时间序列SST构成神经网络的输入A和输出B数据对，通过将来自全球不同海域的不同特征海面温度时间序列均匀的分成N组：SST1…
SST
N
，形成N组神经网络训练数据集的输入序列：A1…
A
N
和输出序列：B1…
B
N
；步骤四，用N组训练数据集分别训练神经网络NN，得到N个具有不同参数的经过训练的神经网络NN
‑
T：将神经网络训练集中的每一对输入A和输出B进行去均值和归一化，即将A和B均减去B的均值MB得A1和B1，并进一步将A1和B1除以B1的最大绝对值，得到A2和B2；用得到的N组A2和B2作为神经网络的输入和输出，训练得到N个具有不同参数的经过训练的神经网络：NN
‑
T 1
…
NN
‑
T M
；步骤五，用测量得到的沉积物温度剖面P作为神经网络的输入，得到反演的底层水温W：将测量得到的沉积物温度剖面P，减掉其最深处一层沉积物温度PD得到P1，用P1除以待定归一化系数K得到P2，将P2输入训练好的N个神经网络中的第X个，得到输出E，将E乘以待定归一化系数K并加上最深处一层沉积物温度PD最终得到反演的底层水温F；其中，待定归一化系数K有M个不同的取值，分别为K1…
K
M
，这些取值范围覆盖0.1至25，用以尽可能覆盖底层水温的最大变化范围。对应M个不同的待定归一化系数K，得到M个神经网络输出E：E1…
E
M
和M个反演的底层水温F：F1…
F
M
。分别将M个反演的底层水温：F1…
F
M
带入步骤三中使用的沉积物热传导模式中，得到沉积物温度剖面P测量时刻的计算的沉积物温度剖面G，G同样也有M个结果：G1…
G
M
。比较G和P，发现与P最为接近的第Y个G（G
Y
），基于此将反演的第Y个底层水温F
Y
作为第X个神经网络的最终反演结果；步骤六，重复步骤五，得到N个底层水温反演结果，从N个底层水温反演结果中择优挑选最佳反演结果最为最终底层水温反演结果：
重复步骤五的操作，将N个神经网络反演得到的N个F
Y
再一次输入步骤三中使用的沉积物热传导模式中，得到沉积物温度剖面P测量时刻的计算的沉积物温度剖面G，对应N个神经网络得到N个G：G1…
G
N
；比较G和P，选择与P最为接近的第Z个G：G
Z
，基于此将第Z个神经网络反演的底层水温F
Y
(Z)作为最终反本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种海底底层水温反演的方法，其特征在于，包括以下步骤：步骤一：利用沉积物测量装置测量海底沉积物温度剖面P和热扩散系数剖面Q；步骤二：构建神经网络并根据测量得到的沉积物温度剖面调整神经网络输入和输出层参数：所述神经网络包括输入层、中间层和输出层；神经网络的输入层对应测量得到的沉积物温度剖面P；神经网络的输出层对应反演得到的底层水温时间序列W，即从测量时刻到更早的一个时刻间的底层水温变化；神经网络的中间层为长短期记忆回归神经网络；根据每次测量所得到的沉积物温度剖面测量点数目和每个测量点深度的不同，以及因此导致的所能反演的底层水温时间序列长度的不同，调整神经网络输入层和输出层长度参数；步骤三：根据沉积物测量情况构建N组神经网络训练数据集：将测量得到的沉积物热扩散系数剖面Q导入热传导模式，然后用不同的历史海面温度年周期时间序列SST作为边界条件驱动热传导模式计算得到稳定的沉积物温度剖面年周期时间序列ST；取每个时刻的沉积物温度剖面和此时刻至以前一段时间的海面温度时间序列SST构成神经网络的输入A和输出B数据对，通过将来自全球不同海域的不同特征海面温度时间序列均匀的分成N组：SST1…
SST
N
，形成N组神经网络训练数据集的输入序列：A1…
A
N
和输出序列：B1…
B
N
；步骤四：用N组训练数据集分别训练神经网络NN，得到N个具有不同参数的经过训练的神经网络NN
‑
T：将神经网络训练集中的每一对输入A和输出B进行去均值和归一化，即将A和B均减去B的均值MB得A1和B1，并进一步将A1和B1除以B1的最大绝对值，得到A2和B2；用得到的N组A2和B2作为神经网络的输入和输出，训练得到N个具有不同参数的经过训练的神经网络：NN
‑
T 1
…
NN
‑
T M
；步骤五：用测量得到的沉积物温度剖面P作为神经网络的输入，得到反演的底层水温W：将测量得到的沉积物温度剖面P，减掉其最深处一层沉积物温度PD得到P1，用P1除以待定归一化系数K得到P2，将P2输入训练好的N个神经网络中的第X个，得到输出E，将E乘以待定归一化系数K并加上最...
【专利技术属性】
技术研发人员：杨光兵，熊学军，
申请(专利权)人：自然资源部第一海洋研究所，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。